Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases

Dit paper introduceert een nieuw raamwerk dat overlevingsanalyse en classificatie combineert om nauwkeurige en klinisch gevalideerde modellen voor de vroege risicopredictie van vijf veelvoorkomende chronische ziekten te ontwikkelen, die presteren op het niveau van of beter zijn dan bestaande state-of-the-art modellen.

De kern

Leven en Classificatie: Een Nieuwe Manier om Ziekten te Voorspellen

Stel je voor dat je gezondheid een lange reis is, en artsen proberen te voorspellen of er op die reis een groot obstakel (een chronische ziekte) op de loer ligt. Meestal gebruiken artsen twee verschillende soorten kaarten om dit te doen:

1. De "Nu of Nooit"-kaart (Classificatie): Deze zegt: "Heb je nu diabetes? Ja of nee?" Dit is handig, maar het vertelt je niets over wanneer het kan gebeuren.
2. De "Tijdbom"-kaart (Overlevingsanalyse): Deze zegt: "Hoe groot is de kans dat je over 1 jaar, 2 jaar of 5 jaar ziek wordt?" Dit is heel nuttig, maar het is vaak lastig om direct een simpel "Ja/Nee"-antwoord uit te halen voor een actie.

Dit onderzoek van CureMD combineert deze twee kaarten tot één super-kaart. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Wacht niet tot de labtesten

Stel je voor dat je een auto hebt die langzaam slechter wordt. De meeste systemen wachten tot de motor een rare geluid maakt of tot de dashboardlampjes gaan branden (de laboratoriumtests). Pas dan weten ze dat er iets mis is.

De auteurs van dit paper zeggen: "Waarom wachten tot de lampjes gaan branden?"
Ze willen een systeem dat waarschuwt voordat de motor begint te piepen. Ze gebruiken alleen de data die artsen al dagelijks opschrijven (zoals leeftijd, bloeddruk, medicijnen en eerdere diagnoses), zonder te wachten op dure of ingewikkelde bloedtesten. Zo kunnen ze een arts waarschuwen: "Pas op, deze patiënt loopt risico op diabetes, zelfs al voelt hij zich nu nog prima."

2. De Oplossing: De "Tijdbom" omtoveren tot een "Alarm"

Traditionele "Overlevingsmodellen" (die berekenen hoe lang iemand gezond blijft) zijn als een uurwerk dat tikt. Ze zeggen: "Over 6 maanden is de kans 30%, over 12 maanden 60%."

De onderzoekers hebben een slimme truc bedacht om dit uurwerk om te bouwen tot een alarmbel. Ze hebben drie manieren bedacht om het uurwerk af te lezen:

• De Risico-score: Kijk naar het totale getal. Is het hoog? Dan is het alarm af.
• De Overlevingskans: Kijk naar de kans dat iemand niet ziek wordt. Is die kans onder de 50%? Dan is het alarm af.
• De Boom-structuur: Kijk naar de takken van een beslissingsboom. In welke tak zit de patiënt?

Het beste resultaat bleek te komen uit een combinatie van slimme data-verwerking en het gebruik van de Risico-score. Het resultaat? Hun nieuwe model werkt net zo goed (of zelfs beter) als de beste bestaande systemen, maar het is veel flexibeler.

3. De "Black Box" Openmaken (Verklaringen)

Een groot probleem bij slimme computersystemen is dat ze vaak een "Black Box" zijn. Ze geven een antwoord, maar je weet niet waarom. In de medische wereld is dit gevaarlijk; artsen moeten weten waarom een computer zegt dat een patiënt risico loopt.

De onderzoekers hebben een nieuwe manier bedacht om de "gedachten" van de computer te lezen. Ze gebruiken een techniek genaamd SHAP.

• Analogie: Stel je voor dat de computer een detective is die een dossier opbouwt. De SHAP-techniek is als een vergrootglas dat laat zien welke bewijsstukken (factoren) de detective het zwaarst heeft laten wegen.
• Het resultaat: De computer zegt niet alleen "Risico!", maar ook: "Omdat de patiënt 50 is, rookt, en een familielid met hoge bloeddruk heeft."

Dit is cruciaal omdat drie expert-artsen de resultaten hebben gecheckt en gezegd: "Ja, dit klopt medisch gezien. Dit zijn de juiste factoren."

4. Wat hebben ze precies gedaan?

Ze hebben dit systeem getrainen op enorme hoeveelheden medische dossiers (EMR) van bijna 100.000 patiënten voor vijf veelvoorkomende ziekten:

• Diabetes
• Hoge bloeddruk (Hypertensie)
• Nierziekten (CKD)
• Longziekten (COPD)
• Hartziektes

Ze hebben bewezen dat je geen bloedtesten nodig hebt om deze ziekten vroeg te voorspellen. Je kunt het al zien in de dagelijkse patronen van een patiënt.

Samenvatting in één zin

Dit onderzoek toont aan dat we door slimme wiskunde (het combineren van tijdsvoorspelling en ja/nee-voorspelling) en het gebruik van alledaagse medische data, ziekten kunnen opsporen voordat ze echt uitbreken, en dat we de computer kunnen laten uitleggen waarom ze dat denken, zodat artsen er op kunnen vertrouwen.

Het is alsof we van een systeem dat alleen zegt "De auto is kapot" zijn gegaan naar een systeem dat zegt: "De auto begint te slijten, hier zijn de drie onderdelen die je moet controleren, en doe het nu voordat het misgaat."

Technische samenvatting

Titel: Overleving ontmoet classificatie: Een nieuw raamwerk voor vroege risicopredicatiemodellen van chronische ziekten

1. Probleemstelling

Chronische ziekten (zoals diabetes, hypertensie, chronische nierziekte, COPD en chronische ischemische hartziekte) vereisen levenslange medische aandacht en vormen een grote last voor de gezondheidszorg. Bestaande machine learning-modellen voor ziektevoorspelling hebben twee belangrijke beperkingen:

• Afhankelijkheid van laboratoriumgegevens: Veel modellen gebruiken labwaarden (bijv. HbA1c, creatinine) die pas worden gemeten wanneer een arts al een verdenking heeft. Dit maakt vroege waarschuwingen onmogelijk voordat de ziekte klinisch wordt vermoed.
• Scheiding van methoden: Traditionele benaderingen gebruiken óf classificatie (om de huidige diagnose te bepalen) óf survival analysis (om de tijd tot een gebeurtenis te voorspellen). Er is een gebrek aan modellen die survival analysis effectief kunnen omzetten naar classificatie-inferenties voor vroege risicopredicatie zonder labdata.

Het doel van deze studie is een vroege waarschuwingssysteem te ontwikkelen dat uitsluitend gebruikmaakt van routinematig vastgelegde gegevens uit Elektronische Medische Records (EMR), exclusief laboratoriumresultaten, om arts te kunnen waarschuwen voordat labonderzoek wordt gestart.

2. Methodologie

De auteurs hebben een nieuw raamwerk ontwikkeld dat survival analysis (overlevingsanalyse) combineert met classificatietechnieken.

Data Voorbereiding en Feature Engineering:

• Data: Geanonimiseerde EMR-data van ongeveer 10 miljoen patiënten.
• Features: Uitsluitend demografische gegevens, diagnosecodes (ICD-10), Elixhauser-comorbiditeitsgroepen, vitale tekens, medicatie (GPI-codes) en sociale/familiaire geschiedenis. Labwaarden zijn expliciet uitgesloten.
• Cohortselectie: Patiënten moesten voldoende contactmomenten hebben vóór de diagnose. Voor patiënten zonder diagnose werden drie strategieën ontwikkeld om het "cutoff"-punt (het moment waarop data wordt gestopt voor analyse) te bepalen:
  1. Similar: Het eerste contactmoment binnen het jaar voorafgaand aan het laatste contact (klassieke survival benadering).
  2. Overlap: Het tweede contactmoment van de patiënt, ongeacht timing.
  3. Distinct: Het laatste contactmoment vóór het startpunt van het 1-jaar venster. Dit voorkomt tijdsoverlap tussen "event" en "non-event" datasets en is het meest vergelijkbaar met classificatiebenaderingen.

Model Architectuur:

• Algoritme: Random Survival Forests (RSF) werden getraind als basis.
• Classificatie uit Survival: Drie technieken werden onderzocht om classificatie-inferenties uit de survival-modellen te halen:
  1. Risk-score based (RS): Een optimale drempelwaarde voor de voorspelde risicoscore wordt bepaald om de uitkomst als 1 (ziek) of 0 (gezond) te classificeren.
  2. Survival Probability (SP): De overlevingskans op het laatste tijdstip (1 jaar) wordt gebruikt; een kans $\leq 0.5$ impliceert ziekte.
  3. Leaf Node Analysis (LN): Analyse van de labelverdeling in de eindknopen van de survival-bomen (vergelijkbaar met classificatiebomen).

Validatie en Explainability:

• Een panel van drie expert-artsen heeft de features, risicofactoren en modeluitkomsten klinisch gevalideerd.
• Voor interpretatie werd een aangepaste SHAP-methode ontwikkeld. In plaats van een surrogate-model (zoals SurvSHAP) te gebruiken, wordt een custom functie gebruikt om binaire voorspellingen direct uit het survival-model te halen, waarna Shap's KernelExplainer wordt toegepast.

3. Belangrijkste Bijdragen

1. Her-engineering van Survival Modellen: Het bewijs dat survival-modellen effectief kunnen worden omgezet in krachtige classificatoren voor vroege risicopredicatie.
2. Lab-vrije Voorspelling: Het ontwikkelen van modellen die werken zonder laboratoriumresultaten, wat de bruikbaarheid in de vroege fase van ziekteontwikkeling vergroot.
3. Nieuwe Explainability-methode: Een innovatieve aanpak om RSF-modellen direct te verklaren zonder tussenliggende surrogate-modellen, wat de interpretatie voor clinici versnelt.
4. Brede Toepassing: Generalisatie naar vijf veelvoorkomende chronische ziekten, waarvan sommige ondervertegenwoordigd zijn in de huidige literatuur.
5. Klinische Validatie: Alle aspecten van het model zijn gevalideerd door medische experts, wat de klinische relevantie garandeert.

4. Resultaten

De modellen werden getest op een dataset verdeeld in 70% training, 10% validatie en 20% test. De prestaties werden vergeleken met state-of-the-art classificatoren (Random Forest, XGBoost, LightGBM).

• Prestatie: De Random Survival Forests (RSF), wanneer geoptimaliseerd met de juiste data-voorbereiding (vooral de "Distinct" methode) en de "Risk-score" classificatietechniek, presteerden vergelijkbaar met of beter dan LightGBM en XGBoost op metrics zoals F1-score, AUROC en AUPRC.
• Vergelijking Methodes: De keuze voor de data-voorbereiding (vooral het vermijden van tijdsoverlap) had een grotere impact op de prestaties dan de keuze voor de classificatietechniek. De "Risk-score" methode bleef het meest effectief, maar de "Survival Probability" methode werd aanbevolen voor praktische implementatie vanwege de klinische intuïtie.
• Ziektespecifiek: Hypertensie bleek het moeilijkst te voorspellen, terwijl modellen voor Hartziekten en COPD hoge AUROC-waarden (rond 0.87) behaalden.
• Explainability: De door de auteurs ontwikkelde custom SHAP-methode leverde resultaten op die sterk overeenkwamen met SurvSHAP (4 van de top 5 features identiek, 18 van de top 20 overeenkomend), wat de robuustheid van de methode bevestigt.

5. Betekenis en Conclusie

Deze studie biedt een doorbraak in de gezondheidszorgpredictieve analyse door de kloof tussen survival analysis en classificatie te overbruggen.

• Klinische Impact: Artsen krijgen een geïntegreerd hulpmiddel dat niet alleen voorspelt of een patiënt een ziekte zal ontwikkelen, maar ook wanneer (risicoprogressie over tijd), zonder afhankelijk te zijn van latere labtesten.
• Efficiëntie: Het gebruik van één model voor zowel risicobeoordeling als classificatie stroomlijnt het analytische proces.
• Transparantie: De nieuwe methode voor explainability maakt complexe "black-box" survival-modellen transparanter en betrouwbaarder voor medisch personeel.

De auteurs concluderen dat hun aanpak voldoet aan de principes van FAVES (Fair, Appropriate, Valid, Effective, and Safe) voor voorspellende modellen in de gezondheidszorg en een solide basis legt voor toekomstige vroege waarschuwingssystemen.